la simulación como instrumento de modelizacion en probabilidad

Kandinsky, Composición VIH, Óleo sobre lienzo, 1923.
LA SIMULACIÓN COMO INSTRUMENTO DE
MODELIZACION EN PROBABILIDAD
Carmen Batanero
LA SIMULACIÓN COMO INSTRUMENTO DE MODELIZACION EN PROBABILIDAD
La probabilidad es un campo donde los modelos simples se componen entre sí de una forma muy potente, partiendo de unas pocas
ideas estocásticas fundamentales. Aún así, la matemática de la probabilidad es muy compleja, más allá de unos pocos desarrollos
elementales y sus resultados son bastante contraintuitivos. La simulación o sustitución de un experimento aleatorio por otro
equivalente, como modelo pseudo concreto de la situación modelizada, permite prescindir del aparato matemático para analizar
situaciones estocásticas. Como recurso didáctico, puede ayudar a comprender la diferencia entre modelo y realidad y a mejorar las
intuiciones sobre la aleatoriedad. Como contrapartida, la simulación no nos proporciona justificaciones ni demostraciones, que
debemos buscar de nuevo en el modelo matemático.
LA SIMULATION, EN TANT QUINSTRUMENT DE MODELISATION EN PROBABILITE
La probabilité constitue un domaine dans lequel les modeles simples se composent entre eux aune maniere assez puissante, en
partan! de quelques idees hasardeuses fundamentales. Néanmoins, les mathématiques de la probabilité sont tres complexes, au-delá
de quelques développements élémentaires et leurs résultats sont assez contre intuitifs. La simulation ou substitution d'une
expérience aléatoire pour une autre equivalente, en tant que modele pseudo-concret de la situation modélisée, permet de ne pas
teñir compte du systéme mathématique pour analyser des situations hasardeuses. En tant que ressource didactique, la probabilité
peut aider á comprendre la différence entre modele et réalité et á améliorer les intuitions autour de Taléatoire. En contrepartie, la
simulation ne nous fournit ni justificalions ni demonstrations. Celles-ci, nous devons les chercher á nouveau dans le modele
mathématique.
SIMULATION AS AN INSTRUMENT OF MODELLING IN PROPABILITY
Probability is a field where simple models are conformed themselves in a very powerful way, starting from few stochastic
fundamental ideas. Even though, Mathematics of probability is very complex, farther than a few bask developments, and its
results are contraintuitive enough. Simulation or replacement of a random experiment for an equivalent one as a pseudo-concrete
model of a modeled situation, allozos to disregard the mathematical apparatus to analyze stochastic situations, ^s a teaching
resource, it can help to understand the différence between model and reality and also to improve intuitions at random, ^s a
compensation, simulation does not provide justifications ñor demonstrations which we have to lookfor again in the mathematical
model.
Matemática de la probabilidad, simulación, didáctica de las matemáticas
Mathematics of probability, simulation, teaching of Mathematics
LA SIMULACIÓN COMO INSTRUMENTO DE
MODELIZACION EN PROBABILIDAD
Carmen Batanero*
Estadística y modelización
ran parte de la actividad matemática (y
particularmente la estadística) puede ser
descrita como proceso de modelización.
En términos de Henry, "un modelo es
una interpretación abstracta, simplificada e
idealizada de un objeto del mundo real, de un
sistema de relaciones o de un proceso evolutivo
que surge de una descripción de la realidad"
(1997, 78).
G
La construcción de modelos, su comparación con
la realidad y su perfeccionamiento progresivo
intervienen en cada fase de la resolución de
problemas estadísticos, no sólo en el análisis de
datos en situaciones prácticas, sino también en el
trabajo de desarrollo teórico. Un ejemplo notable
de modelización estadística a partir de un
problema práctico son las distribuciones de
probabilidad, que permiten describir en forma
sintética el comportamiento de las distribuciones
empíricas de datos estadísticos y hacer
predicciones sobre su comportamiento.
Por ejemplo, el modelo de la curva normal de
media cero describe con notable precisión la
distribución empírica de los errores al realizar
medidas repetidas de una misma cantidad (o al
tratar de fabricar un cierto producto
con una medida fija). Una vez aceptado este
modelo como una buena descripción de nuestros
datos, basta obtener una estimación de la
dispersión en los errores de medida (una esti­
mación de la desviación típica a en la población
de los posibles errores) para tener el modelo
completamente determinado. Las aplicaciones
prácticas que podemos deducir seguidamente son
muy variadas: previsión del número de defectos
(piezas que se saldrán de los límites considerados
como "normales"); decisión sobre límites de
garantías; coste de la política de garantía;
criterios para considerar que el proceso de
producción está "controlado", etc.
Otro modelo muy potente, deducido esta vez a
partir de un problema teórico en análisis
multivariante, es representar una unidad es­
tadística (por ejemplo, un alumno al que hemos
dado un cuestionario) por un punto de un espacio
vectorial, cuyas coordenadas son los valores de
las diferentes variables incluidas en el estudio
(las respuestas dadas a los diferentes ítems del
cuestionario). Considerados los sujetos como
"puntos" y las variables como "ejes" en dicho
espacio vectorial, esta "metáfora" nos permite
definir distancias para estudiar la proximidad
entre dos puntos
Departamento de Didáctica de la Matemática, Universidad de Granada.
Dirección electrónica: batanero@ugr.es
REVISTA EDUCACIÓN Y PEDAGOGÍA VOL. XVNo. 35
39
LA SIMULACIÓN COMO INSTRUMENTO DE MODELIZACIÓN EN PROBABILIDAD
I
(análisis de aglomerados) o analizar la dimensión
del espacio vectorial, tratando de reducirla
(análisis factorial).
Estos dos ejemplos muestras que la modeli-zadón
forma parte inseparable de la actividad
estadística. Como indica McLean (2001), en este
sentido, el razonamiento estadístico no es muy
diferente del razonamiento científico o incluso
del razonamiento "cotidiano". Constantemente
usamos modelos, aunque no seamos conscientes
de ello, y así nos formamos modelos de las
personas de acuerdo a su raza, sexo, condición
social o aspecto. Sin embargo, es poco habitual
que la enseñanza de la estadística en secundaria o
incluso en la universidad enfatice en la
modelización. Esto puede explicar el hecho de
que los alumnos tengan dificultad en reconocer el
modo particular de razonamiento estadístico, en
el cual la modelización juega un papel muy
importante.
Modelización
y
enseñanza
de
LA PROBABILIDAD
Enseñar la probabilidad como una actividad de
modelización y no como un conjunto de teoremas
matemáticos que se deducen de una serie de
axiomas no es una tarea sencilla. Para facilitar
este trabajo a los profesores, la Comisión ínterIREM1 para la enseñanza de la estadística y
probabilidad organizó hace unos años un proceso
de reflexión sobre el trabajo de modelización en
la enseñanza de las probabilidades, produciendo
algunas sugerencias que trataremos de reflejar a
lo largo de este trabajo.
Dentro de ellas, Dantal (1997) señala los si­
guientes pasos para la enseñanza de la pro­
ACIÓN EN PROBABILIDAD
habilidad en secundaria con el enfoque reco­
mendado en los nuevos currículos franceses:
1.
2.
3.
4.
5.
Observación de la realidad
Descripción simplificada de la realidad
Construcción de un modelo
Trabajo matemático con el modelo
Interpretación de resultados en la realidad
Indica también que los profesores solemos tener
prisa por llegar a los pasos 3 y 4 (los que podrían
parecer "verdaderas matemáticas"), puesto que
son los más sencillos de enseñar a nuestros
alumnos. Sin embargo, todas las etapas son
igualmente importantes en el aprendizaje si
queremos que realmente ellos lleguen a
comprender la utilidad y la razón de ser de las
matemáticas. Estas etapas son cuidadosamente
analizadas por Coutinho (2001) en una
experiencia de enseñanza de la actividad de
modelización de situaciones aleatorias ele­
mentales.
En el paso 1, una primera dificultad es dife­
renciar, dentro de los fenómenos en los que el
azar está presente, entre situación aleatoria y
contingente. Una situación aleatoria es, por lo
menos potencialmente, reproductible. Tiene
diferentes resultados posibles, sin que sepamos
con seguridad cuál será el que ocurrirá en una
experiencia particular (por ejemplo, no sé con
seguridad el tiempo que debo esperar en la parada
a que aparezca el autobús). Pero puedo reproducir
la situación en las mismas condiciones para
analizar los diferentes resultados que se producen
(puedo hacer un recuento del tiempo de espera al
autobús). En una situación contingente (por
ejemplo, el hecho de que yo me haya casado con
una cierta persona) también hay una presencia del
azar, pero no es reproductible en las mismas con­
diciones.
1. Los IREM (Instituts de Recherche sur ¡'Enseignement des Mathématiques) son centros de investigación y desarrollo
en didáctica de las matemáticas en diversas localidades francesas. Hay un total de 15 comisiones ínter - IREM, que
agrupan investigadores interesados en un mismo tema, para realizar un trabajo cooperativo.
40
REVISTA EDUCACIÓN Y PEDAGOGÍA V O L . X V N o . 3 5
ENSEÑANZA DE LAS MATEMÁTICAS
Una vez aceptada la aleatoriedad de la situación,
en el paso 2 debemos realizar una descripción
simplificada de la misma que nos permita pasar
de la realidad observada (paso 1) a la
construcción del modelo (paso 3). Para ello
tomamos unos aspectos de ésta y prescindimos
de otros. En el ejemplo del autobús, deberemos
decidir qué parada elegimos, si esperamos un
autobús dado (el número 1) o si contamos el
tiempo hasta que aparezca en la parada cualquier
autobús. También si diferenciamos la hora del
día o el día de la semana, o no.
Todos estos puntos serán importantes para tratar
de encontrar un modelo que nos describa el
tiempo de espera, y se requiere del juicio
personal y del análisis cuidadoso de la situación
para decidir cuáles de los aspectos de la realidad
son los que realmente nos parecen necesarios
para resolver el problema que tengamos entre
manos y de cuáles podemos prescindir. Surge así
la idea de experimento aleatorio y como en todo
experimento científico, Countinho (2001) sugiere
que es importante establecer las condiciones de
realización u observación, es decir, describir con
detalle el protocolo experimental.
Al comenzar la construcción del modelo (punto
3), de nuevo se precisan una serie de decisiones:
¿aceptamos que el tiempo de llegada del próximo
autobús es independiente del que acaba de
llegar? ¿Trataremos los tiempos como variable
continua? ¿Cuáles son otras variables, además
del tiempo de espera, que me podrían interesar
en el trabajo con el modelo?
Una vez que hemos construido un modelo
matemático para la situación (por ejemplo,
aceptamos que los tiempos de espera siguen una
distribución uniforme entre un autobús y otro) y
obtenidas las conclusiones a partir del modelo,
queda todavía la parte más importante: comparar
estas conclusiones con el comportamiento real de
la situación analiza­
REVISTA EDUCACIÓN Y PEDAGOGÍA VOL. XVNo. 35
da y decidir si el modelo matemático nos pro­
porciona una buena descripción de la realidad.
En esta breve descripción de los pasos esenciales
en la actividad de modelización reconocemos el
funcionamiento de la actividad de investigación y
también de la forma en que aprendemos en la
vida diaria. Nuestro conocimiento científico (y
también el obtenido en la vida diaria) se compone
de datos o hechos (la parte observable de nuestro
universo) y teorías o modelos (que tratan de
explicar y relacionar estos hechos entre sí).
El propósito de construir un modelo es obtener
una mejor comprensión de una parte de nuestro
universo y, así, poder predecirla y, si es posible,
controlarla. Un modelo no es "real", ni tampoco
"verdadero"; en el mejor de los casos es
consistente y concordante con las observaciones.
Esto se olvida con facilidad y se suele confundir
"modelo" y "realidad".
Es importante resaltar que el mejor modelo no es
aquél que se aproxima más a los datos, sino que
muchas veces es uno que, siendo simple, nos
proporcione una buena aproximación. Por ello
mismo, incluso fenómenos que tienen naturaleza
determinista y no siempre pueden medirse con
precisión, se describen a veces mejor con un
modelo probabilístico. En otros casos (Cabria,
1997), el fenómeno tiene una naturaleza de azar
absoluto, como ocurre con la mecánica cuántica,
por lo que las leyes que lo gobiernan tienen
naturaleza aleatoria y el cálculo de probabilidades
se convierte en un instrumento esencial para
analizarlos.
La aleatoriedad como
MODELO MATEMÁTICO
Una característica particular de la estadística y de
la probabilidad es la existencia de problemas
filosóficos ligados a la definición e interpretación
de algunos de sus conceptos bási41
LA SIMULACIÓN COMO INSTRUMENTO DE MODELIZACIÓN EN PROBABILIDAD
cos. Aunque la teoría matemática correspon­
diente no presenta ninguna contradicción y
está bien asentada a partir de la axiomática de
Kolmogorov, al intentar aplicar en situacio­
nes prácticas las ideas estocásticas fundamen­
tales, nos encontramos con frecuencia dificul­
tades y paradojas. Esto ocurre precisamente
porque olvidamos la diferencia entre el mo­
delo y la realidad, y porque no podemos en­
contrar en la matemática un criterio que apli­
cado mecánicamente nos lleve a la decisión
de aceptar o rechazar un modelo para descri­
bir una cierta parcela de la realidad.
ducida debe ajustarse a una serie de modelos
deducidos del mismo. Consideremos el si­
guiente ítem propuesto a los niños por Green:
Se pidió a algunos niños lanzar una moneda
150 veces. Algunos lo hicieron correctamen­
te. Otros hicieron trampas. Anotaron con
la letra c la aparición de una cara y con + una
cruz. Estos son los resultados de Clara y Lui­
sa:
Clara:
C+C+
+CC+
+CC+C+C+
+C+
+C+CCC+
+
+CCC+
C+ +C+C+C+ +CC+CCC+C+C+CC+ + +CC+ +C+C+
Como argumentamos en Batanero y Serrano
(1995), la misma idea de aleatoriedad no tiene
una definición simple y es difícil de aplicar en
las situaciones prácticas. A lo largo de la histo­
ria ha recibido diferentes interpretaciones,
ninguna satisfactoria y la definición estadísti­
ca no siempre resulta convincente. Zabell
(1992) diferencia dos aspectos distintos que, a
veces, pueden no coincidir, en la idea de alea­
toriedad:
C+C+
+CC
+
C+C+CC+C+
C+
+CC+CC+C+
+CC+C+C+
+
+CCC+CC+
+C+
+CC+
+C+
+CC+
+C+C+
+
+
+c
+
+
C+ + +C + C+ +CCC+ +
Luisa:
+CC+ +
C+
C
+
+
+
+C+
+
+
+
+
+
+C+CC+
+C+C+C
CCCCC + CCC + + CCC
+
+
+
+CCCC+
+
+
+
+CCCC+ + +CC+CCC+ + +
C+
C
+
+
+CCCCCC+CCC+C+C
+ ccccccccc
+C+C+CC+CC+CC+
+
+ +
+
+
c
+
+ ccccccc
+C+CC
+ +CCC+ +CCC
• el proceso de generación, que es lo que ma­
temáticamente se conoce como experimen­
to aleatorio;
¿Hicieron trampas Clara o Luisa? ¿Por qué?
(1983, 768).
•
Resolver este problema implica asumir un
modelo de comportamiento de un proceso
aleatorio y comparar los resultados de Daniel
y Diana con los que esperaríamos si el mode­
lo fuese cierto. Una idea intuitiva que aplican
los alumnos a los que se proporciona este ítem
es contar la frecuencia de caras y cruces. Pues­
to que las secuencias tienen una longitud de
150 lanzamientos, teóricamente esperaríamos
una frecuencia aproximada de 75 caras y 75
cruces. En la tabla 1 mostramos las frecuen­
cias de caras y cruces obtenidas para Clara y
Luisa. En principio, nos parece que Luisa se
desvía más de lo esperado en una secuencia
aleatoria, pero quizás no tanto para poder acu­
sarla de hacer trampa.
el patrón de la secuencia aleatoria produ­
cida como consecuencia del experimento.
Una paradoja es que, por un lado, en la acep­
ción de Kolmogorov (Fine, 1971), una secuen­
cia sería aleatoria si no se puede codificar en
forma más abreviada, por lo que la ausencia
de patrones periódicos sería su característica
esencial. Por otro, la visión estadística esta­
blece que un fenómeno es aleatorio si se ajus­
ta al cálculo de probabilidades. Pero, aceptar
incluso el modelo aleatorio más simple posi­
ble: experimento realizado repetida e indepen­
dientemente, con sólo dos posibles resultados
(sucesión de ensayos de Bernoulli), tiene como
consecuencia que la secuencia aleatoria pro­
42
REVISTA EDUCACIÓN Y PEDAGOGÍA VOL.XVNo.35
ENSEÑANZA DE LAS MATEMÁTICAS
En lugar de contar en las secuencias los resul­
tados del experimento simple consistente en
lanzar una moneda, podríamos considerar que
las niñas lanzan las monedas de 2 en 2 (por
tanto, hay 75 repeticiones del experimento). Hay
cuatro resultados equiprobables al lanzar una
moneda, por lo que, redondeando un poco,
podemos esperar que aparezcan aproxi­
madamente 18 veces cada uno de los posibles
resultados.
En la tabla 2 mostramos los resultados obtenidos
para Clara y Luisa, y ahora parece que es
REVISTA EDUCACIÓN Y PEDAGOGÍA VOL. XVNo. 35
Clara la que más se aparta de lo esperado. Esto se
confirma en la tabla 3, cuando hacemos una
prueba de todos los resultados en el experimento
consistente en lanzar tres monedas. Ahora
nuestras sospechas indican que es Clara la que
hacía trampa (una prueba formal de contraste de
Chi-cuadrado daría un valor significativo de la
prueba de pares y triples para el caso de Clara,
mientras que el resultado no sería significativo en
ninguna de las tres pruebas para Luisa).
43
LA SIMULACIÓN COMO INSTRUMENTO DE MODELIZACIÓN EN PROBABILIDAD
Tabla 3
Frecuencias de los diferentes resultados al lanzar las monedas 3 a 3
CCC CC+
C+C
C++
+CC
+C+
++C
+++
Clara
0
2
14
9
6
7
10
1
Luisa
8
11
6
4
6
4
5
6
Teórica
6
6
6
6
6
6
6
6
El ejemplo que hemos analizado nos muestra, por
un lado, la dificultad de aplicar la idea de
aleatoriedad en una situación práctica, por lo
engañoso de nuestras intuiciones, incluso a pesar
de haber estudiado estadística. Suelo proponer
este problema a mis alumnos del curso Didáctica
de la estadística (en la Licenciatura de Ciencias y
Técnicas Estadística) y desde luego es frecuente
que, al dar una primera solución al problema,
muchos piensen que es Luisa la que hace trampa,
ya que la frecuencia de caras y cruces difiere más
en ella que en Clara, respecto a lo esperado.
Por otro, el ejemplo nos muestra que la alea­
toriedad no admite una definición simple y ni
siquiera puede describirse por un único modelo.
En la situación propuesta, necesitamos varios
para decidir sobre la aleatoriedad de las dos
secuencias. En realidad, la secuencia de Bernoulli
contiene muchos modelos de probabilidad
asociados, como la distribución binomial o
geométrica. Aunque ya tenemos la sospecha de
que Clara hace trampa, serían necesarias todavía
nuevas pruebas para dejar a Luisa libre de
sospechas.
El ejemplo también muestra con claridad la
diferencia entre modelo y realidad. De hecho, no
esperamos que la sucesión de Clara o Luisa sean
"exactamente iguales al modelo" y admitimos
como "razonables" unas desviaciones respecto a
lo esperado en el modelo, siempre que sean
pequeñas.
44
Una cuarta consecuencia es la dualidad esta­
dística-probabilidad. Sólo con la recogida y
análisis de datos (análisis de los patrones en las
secuencias de Clara y Luisa) podemos poner a
prueba si el modelo probabilístico es adecuado
para describir la situación (para decidir si las
niñas hacen trampa o no).
Por último, observamos que la matemática no nos
da ninguna regla inamovible para decidir si
aceptamos o no el modelo como bueno. Incluso
cuando llegásemos a realizar formalmente los
contrastes de Chi-cuadrado, lo más que
obtendríamos es un valor de probabilidad p (la
probabilidad de obtener el resultado dado) para
cada una de las tres pruebas. Pero, decidir cuan
pequeña debe ser esta probabilidad para asegurar
que Clara hace trampa, es el riesgo que tengo que
asumir, fruto de una decisión personal.
Y puesto que esta probabilidad nunca será igual a
cero, siempre puedo equivocarme, incluso aunque
el riesgo sea pequeño. Esta es precisamente una
característica importante del razonamiento
estadístico. La estadística nos proporciona unos
modelos para controlar la incertidumbre y
conocer los riesgos que asumimos de antemano,
pero nunca puede anular la incertidumbre, que es
una característica del mundo en el que nos
desenvolvemos.
REVISTA EDUCACIÓN Y PEDAGOGÍA V O L . X V N o . 3 5
ENSEÑANZA DE LAS MATEMÁTICAS
La
simulación:
entre
modelo
MATEMÁTICO Y REALIDAD
En la sección anterior hemos resuelto el pro­
blema de decidir cuál de las dos niñas hace
trampa, con recursos matemáticos sencillos. En
concreto, hemos empleado las ideas de
experimento y suceso aleatorio, equiprobabilidad de resultados, la regla de construcción
del espacio muestral en un experimento
compuesto de dos y tres experimentos simples,
frecuencias esperadas y observadas en la
repetición de un experimento.
Un estudio más completo de la actividad im­
plicaría una matemática más compleja. Por
ejemplo, el estudio del número de caras en n
lanzamientos de la moneda llevaría a la distri­
bución binomial B(n, p). El efecto que sobre ella
tendría sobre la secuencia el introducir un sesgo
en la moneda, requeriría el estudio de la
variación de los coeficientes binomiales en
función de p. Los casos de p muy pequeña
(distribución de Poisson) o n muy grande (teo­
remas de límite) quedaría seguramente fuera del
alcance de un alumno de secundaria. No
obstante, la exploración de estas posibilidades y
de sus aplicaciones a casos reales son los que dan
mayor interés al estudio de la probabilidad.
Una pregunta que sin duda se plantea el profesor
es si sería disponible realizar un estudio intuitivo
de estos temas con ayuda del material concreto,
calculadoras u ordenadores. Afortunadamente,
contamos con la simulación, que para Heitele
(1975) es, en estadística, algo parecido a lo que
constituye el iso-morfismo en otras ramas de las
matemáticas.
En la simulación ponemos en correspondencia
dos experimentos aleatorios diferentes, de modo
que a cada suceso elemental del primer
experimento le corresponda un suceso elemental
del segundo y sólo uno, y los sucesos puestos en
correspondencia en ambos experimentos sean
equiprobables. Como indica Girard (1997), al
trabajar mediante simulación
REVISTA EDUCACIÓN Y PEDAGOGÍA VOL XVNo.35
estamos ya modelizando, porque debemos no
sólo simplificar la realidad, sino fijar los aspectos
de la misma que queremos simular y especificar
unas hipótesis matemáticas sobre el fenómeno
estudiado.
Por ejemplo, podemos simular el experimento
aleatorio consistente en observar el sexo de un
recién nacido mediante el experimento también
aleatorio de lanzar una moneda al aire. Ahora
bien, son muchos los aspectos que podríamos
estudiar sobre un recién nacido, como el grupo
sanguíneo, su peso o su raza, que no podrían
simularse con el lanzamiento de la moneda.
También hacemos una hipótesis (matemática)
sobre equiprobabilidad para los dos sexos,
independientemente de la raza, sexo y
antecedentes familiares. Sólo una vez que hemos
hecho estos supuestos, podremos comenzar el
trabajo con la simulación.
Lo importante de ésta es que podemos operar y
observar resultados del segundo experimento y
utilizarlos para obtener información del primero.
Por ejemplo, si queremos saber cuál es la
probabilidad de que entre cien recién nacidos
haya más de un 60% de varones, podemos lanzar,
por ejemplo, mil veces cien monedas al aire,
estudiar en cada uno de los mil experimentos si
hubo o no más de un 60% de nacimientos y
obtener una estimación para la probabilidad
pedida. La ventaja de la simulación es obvia,
incluso en este ejemplo tan sencillo, pues permite
condensar el experimento en un tiempo y espacio
concreto. Vemos, además, que la simulación es,
en sí misma, un modelo de la realidad simulada,
puesto que simplifica la propia realidad y supone
un trabajo de abstracción sobre ella. Es además
un modelo material (o bien algorítmico, si
usamos un simulador de una calculadora u
ordenador), que nos permite reproducir físi­
camente el experimento y observarlo, y, por
tanto, permite un trabajo intuitivo sobre el
modelo sin necesidad del aparato matemático.
Entre el dominio de la realidad en que se en­
cuentra la situación que queremos analizar y en la
que interviene el azar, y el dominio teóri­
45
LA SIMULACIÓN COMO INSTRUMENTO DE MODELIZACIÓN EN PROBABILIDAD
co donde, con ayuda de la matemática, cons­
truimos un modelo teórico de probabilidad que
debe, por un lado, simplificar la realidad y
abstraer sólo sus aspectos esenciales y, por otro,
ser útil para interpretar los caracteres retenidos en
la modelizadón, Coutinho (2001) sitúa el dominio
pseudo-concreto, en el que podríamos trabajar
con los alumnos por medio de la simulación.
Mientras que en el dominio de la realidad se
efectúa una acción o experiencia concreta y en el
dominio teórico es característico la re­
presentación formal o simbólica, en el dominio
pseudo-concreto se opera mentalmente. En este
dominio, el alumno ya ha salido de la realidad y
trabaja con una situación abstracta idealizada. Por
ejemplo, se imagina que está trabajando con
dados perfectos y prescinde de las condiciones
del lanzamiento. Al mismo tiempo conserva la
denominación de las caras del dado real para
nombrar los resultados del dado idealizado. El
papel didáctico del modelo pseudo-concreto es
inducir implícitamente el modelo teórico a los
alumnos, incluso aunque su formulación
matemática formalizada no sea posible (Henry,
1997).
Para presentar un modelo se pueden utilizar
diversos tipos de lenguajes o representaciones.
Incluso podemos usar palabras de la vida común,
a las que atribuimos nuevos significados más
precisos (como el caso que hemos descrito),
usando la analogía.
Un caso muy interesante son los modelos de
urna. Si queremos prever el sexo de un recién
nacido podríamos simularlo sustituyéndolo por el
experimento que consiste en elegir al azar una
bola de una urna en la que introducimos dos
bolas de diferente color para representar los dos
sexos y en la que volvemos a colocar cada bola
en la urna antes de una nueva extracción
(muestreo con reemplazamiento). Si queremos
simular otro experimento aleatorio con dos
sucesos en forma que sus probabilidades sean p y
q (p+q=1), basta usar una urna en que se
mantengan las proporciones p y
q para
los dos colores de bolas. Simular un experimento
con r sucesos diferen­
46
tes sólo requiere usar bolas de r colores distintos,
respetando las probabilidades correspondientes.
Cualquier problema probabilístico implica una
serie de experimentos aleatorios compuestos de
una determinada manera. Cada uno de estos
experimentos puede ser simulado con un modelo
de urnas convenientemente escogido (de una
forma algo más compleja y usando una
transformación inversa de la función de
distribución, incluso los modelos continuos de
probabilidad podrían simularse indirectamente,
mediante este procedimiento).
Es decir, es posible asignar el experimento
consistente en extraer al azar una bola de una
urna con una cierta composición de bolas de
colores. El experimento, constituido por varios
experimentos simples, se obtiene componiendo
las urnas correspondientes a los experimentos
simples (obteniendo una hiperurna) y la
repetición del experimento global, junto con el
análisis de los datos producidos permite una
solución aproximada del problema.
En este sentido, la urna con bolas de colores
(fichas, tarjetas) es un material universal, válido
para estudiar cualquier problema o concepto
probabilístico. La simulación proporciona un
método universal para obtener una estimación de
la solución de los problemas probabilísticos, que
no tiene paralelo en otras ramas de la matemática.
Además de la simulación con modelos de urnas y
otros materiales manipulativos, las tablas de
números aleatorios son también un instrumento
de simulación universal, como hemos mostrado
con algunos ejemplos presentados en nuestro
libro Azar y probabilidad (Godino, Batanero y
Cañizares, 1997).
Software
para
la
simulación
EN INTERNET
Aunque es importante que los alumnos realicen
algunas actividades de simulación con apoyo de
material manipulativo, como mo­
REVISTA EDUCACIÓN Y PEDAGOGÍA V O L . X V N o . 3 5
ENSEÑANZA DE LAS MATEMÁTICAS
nedas, dados o ruletas, con tablas de números
aleatorios y calculadoras, es realmente el
ordenador el que proporciona una mayor
potencia de simulación, construcción de modelos
y exploración de los mismos.
Las hojas electrónicas proporcionan generadores
de números aleatorios, así como de valores de
diferentes distribuciones de probabilidad, que
pueden, una vez generados, ser analizados con
ayuda de los recursos de cálculo y representación
gráfica de la hoja.
Las posibilidades son todavía mayores con los
programa estadísticos que suelen incluir módulos
de estudio de las diferentes distribuciones de
probabilidad con representación gráfica y cálculo
de valores críticos y áreas bajo la función de
densidad. Unido esto a la posibilidad de
extracción de muestras de valores de estas
distribuciones de tamaño dado y al
almacenamiento de las mismas en nuevos fi­
cheros de datos que pueden ser analizados,
proporcionan una herramienta muy interesante
para la introducción de ideas de probabilidad y
particularmente de inferencia.
Finalmente, existen en internet programas
didácticos específicos para explorar conceptos
probabilísticos, desde los más elementales a los
más avanzados. En lo que sigue mostramos
algunos ejemplos de cómo podrían usarse algunos
de los simuladores disponibles en internet para
complementar el estudio de la actividad que
hemos analizado en la segunda sección. La
versatilidad de estos programas hace que sean los
mismos alumnos los que puedan formular y
explorar sus propios problemas e introducirse de
forma experimental en la modelización
estocástica de un gran número de situaciones
reales.
Para comenzar, es posible que la solución dada en
la sección 2 al problema sobre Clara y Luisa no
haya convencido a algunos alumnos, quienes
piensen que las rachas de Luisa eran demasiado
largas y en una moneda real debiera haber más
alternancias entre caras y cruces. Podemos dar a
los alumnos la oportunidad de experimentar con
el simulador de lanzamientos de monedas de
Virtual Laboratories in Pmtabmty and Statistics
(htlp/Avvvvvmath.uah.edu/ stat/bernoulli/indexj anl)
que hemos reproducido en la figura 1.
Figura 1. Simulación de experimentos con
monedas
Fuente: Virtual Laboratories in Probability and Statistics. Basic Coin Experiment
(http: //www .math .uah.edu/stat/bemoulli/index.xml)
REVISTA EDUCACIÓN Y PEDAGOGÍA VOL.XVNo.35
47
LA SIMULACIÓN COMO INSTRUMENTO DE MODELIZACIÓN EN PROBABILIDAD
El programa permite elegir la longitud de la serie
de monedas que queremos simular, y el número
de simulaciones. Por ejemplo, podríamos simular
diez, cien o mil secuencias aleatorias de longitud
dada, que quedan almacenadas en la ventana y se
pueden analizar posteriormente para estudiar la
longitud de las rachas. Podríamos también
observar el efecto de cambiar la probabilidad de
cara, es decir, introducir un sesgo en la moneda.
En las tablas 2 y 3 hemos analizado los lanza­
mientos de monedas de 2 en 2 o de 3 en 3.
Podríamos, en general, interesarnos por el lan­
zamiento de n monedas y estudiar la distribución
del número de caras en n lanzamientos (modelo
binomial).
En la figura 2 hemos reproducido los resultados
producidos por otro de los programas del mismo
laboratorio
(Bernouilli
triáis:
http://
www.math.uah.edu/stat/bernoulli/
index.html).
En este caso podemos experimentar tanto con los
valores de p como de n para ver el efecto sobre la
forma de la distribución, los valores más
probables, o la dispersión.
Figura 2. Simulación de experimentos
binomiales
Fuente: Virtual Laboratories in Probability and Statistics, Bernouilli triáis
(http: //www .math .uah.edu/stat/bernoulli/index.htmD
Un experimento relacionado con el del lanza­
miento de monedas es el aparato de Galton (véase
figura 3). Al dejar caer una bola por dicho
dispositivo, en cada uno de los pasos la bola
puede ir a derecha o izquierda con igual
probabilidad. Podemos, entonces sustituir una
serie de diez lanzamientos de una moneda por la
trayectoria de una bola en un aparato de Galton
de diez filas.
48
REVISTA EDUCACIÓN Y PEDAGOGÍA VOL. XV No. 35
ENSEÑANZA DE LAS MATEMÁTICAS
Figura 3.
Simulación del aparato de Galton
Fuente: Virtual Laboratories in Probability and Statistics
(http: //www .math .uah.edu/stat/bernoulli/index.html)
Nuestra intuición nos indica que en los orificios
centrales llegarán más bolas y que la distribución
obtenida será aproximadamente simétrica. Sin
embargo, nuestra intuición nos juega malas
pasadas en algunos otros puntos. Esperamos, por
ejemplo, que la trayectoria que sigue la bola al
caer corte con frecuencia el eje imaginario que
pasa por el centro del dispositivo. Podemos
utilizar
el
simulador
disponible
en
(http: //www .math .uah.edu/stat/
bernoulMndex.htm 1) que reproducimos en la
figura 3, para comprobar que esta intuición es
errónea. Lo más probable es que la trayectoria
esté a uno de los dos lados del eje casi todo el
tiempo. Asimismo, podemos experimentar el
efecto de añadir más o menos filas de canales,
cambiar el valor de p (probabilidad de que la
bola vaya a la derecha cada paso) y preguntarnos
por qué la distribución que
REVISTA EDUCACIÓN Y PEDAGOGÍA VOL. XVNo. 35
obtenemos se parece tanto a la obtenida en el
punto anterior (distribución binomial). Y, ¿qué
relación tienen estos dos modelos con los co­
eficientes binomiales? ¿Cómo intervienen las
combinaciones de m elementos tomados n a n en
el cálculo de estas probabilidades y por qué?
La trayectoria seguida por una bola en el aparato
de Galton nos remite a la caminata aleatoria sobre
un plano (véase figura 4). En vez de dejar caer
una bola por un canal, imaginamos que
avanzamos de izquierda a derecha a lo largo de
un eje horizontal. En cada paso, lanzamos una
moneda para decidir si subimos o bajamos a lo
largo de un eje vertical. Después de n pasos, ¿a
qué distancia nos encontramos del eje horizontal?
¿Cuántos cortes habremos dado al eje horizontal?
¿Cuán­
49
LA SIMULACIÓN COMO INSTRUMENTO DE MODELIZACIÓN EN PROBABILIDAD
Figura 4.
Simulador de la caminata aleatoria
Fuente: Virtual Laboratories in Probability and Statistics
(http: //www .math .uah.edu/stat/bemoulli/index.htmD
tos pasos habrá que recorrer entre dos cortes
sucesivos? Estas y otras preguntas similares con
probabilidades iguales o diferentes de ir hacia
arriba o hacia abajo en cada paso pueden
explorarse en el simulador que hemos tomado del
mismo laboratorio anterior.
Del problema de la caminata aleatoria podemos
pasar al de la ruina del jugador. Si los valores
positivos y negativos en el eje vertical
representan las pérdidas y ganancias en un juego
equitativo, la observación de la caminata nos
indica que, en contra de nuestras expectativas, es
más probable que la mayor parte del tiempo de
juego un jugador se mantenga ganando (y el otro
perdiendo). Ahora bien, si la cantidad de dinero
que uno de los jugadores quiere apostar es
limitada (ponemos una cota a los valores
negativos), ¿cuál es la probabilidad de ruina del
jugador?
50
En algunas situaciones estamos interesados por
distribuciones aleatorias espaciales, por ejemplo,
la distribución de conchas en la arena de la playa,
de erratas en las páginas de un texto, de nidos o
árboles en el campo. Si queremos explorar las
distribuciones aleatorias de puntos en el espacio
(modelo de Poisson), podemos utilizar el
simulador que reproducimos en la figura 5 que
hemos obtenido del simulador disponible en
(http://www.dart
mouth.edu/~chance/teaching
aids/ books articles/probability book/bookapplets/
chapter5/LondonBombs/LondonBombs.html)y
analizar de nuevo el efecto de aumentar el número
de puntos y la relación con la distribución
binomial. Tanto en este caso como en los dos
anteriores, para valores de n grandes aparecerá la
característica forma de campana de la distribución
normal y llevará a la pregunta de si es posible
aproximar distribucio­
REVISTA EDUCACIÓN Y PEDAGOGÍA VOL. XVNo. 35
ENSEÑANZA DE LAS MATEMÁTICAS
Figura 5.
Simulación del modelo De Poisson en el plano
Fuente: Project Chance, Teaching Aids
(http://www.dartmouth.edu/~chance/teaching aids/books articles/probability book/
bookapplets/chapter5/LondonBombs/LondonBombs.html)
nes discretas con una función continua y en qué
sentido es posible usar esta aproximación. Otros
programas disponibles en algunas de las
direcciones que incluimos al finalizar este
artículo proporcionan simuladores de la dis­
tribución normal, así como de la aproximación
de las distribuciones binomial y Poisson
mediante la misma.
Algunas precauciones
En este trabajo hemos tratado de mostrar el
interés de la simulación en la enseñanza de la
REVISTA EDUCACIÓN Y PEDAGOGÍA VOL. XVNo. 35
estadística y de la probabilidad, que es destacada,
entre otros, en los trabajos de Biehler (1997).
Como describe este último autor, hay fenómenos
que, por sus características espacio-temporales o
de otra índole, son difíciles de observar. Por
medio de la simulación se construye, con el
ordenador, un modelo simplificado de dicho
fenómeno, eliminando las variables irrelevantes a
su estructura, conden-sado en el tiempo y
manipulable por el alumno. El uso de programas
de simulación permite poner en manos del
alumno un nuevo instrumento que hace posible la
exploración y el descubrimiento de conceptos y
princi­
51
LA SIMULACIÓN COMO INSTRUMENTO DE MODELIZACIÓN EN PROBABILIDAD
pios que de otro modo serían mucho más abs­
tractos, contribuyendo a paliar el problema de la
falta de experiencia estocástica y a la mejora de la
intuición probabilística que, en general, no se
desarrollan espontáneamente (Fischbein, 1975).
Muchos problemas complejos se resuelven hoy
día mediante simulación y mostrar a los alumnos
ejemplos sencillos de esta técnica puede servir
para ilustrar su aplicabilidad a campos y
problemas reales. En la enseñanza de la
estocástica en secundaria, la simulación cobra
papel importante, ya que ayuda al alumno a
conocer las diferencias entre la probabilidad
experimental y la teórica.
No hay, sin embargo, que ser demasiado op­
timista respecto a la sencillez de la actividad de
simulación. En el trabajo que hemos citado de
Countinho (2001), se observaron diferentes
dificultades de los alumnos al proponérseles
situaciones en que debían construir un modelo de
urnas para simular ciertas experiencias concretas
o juegos probabilísticos:
•
Dificultades de manejo del software si el
alumno no está familiarizado, por lo que se
recomienda usar programas fácilmente
manipulables que no añadan complejidad
innecesaria a la actividad de simulación.
• Resistencia a usar la simulación y la aproxi­
mación experimental para resolver un pro­
blema de probabilidad en los casos en que es
posible resolver el problema mediante cálculo
directo.
• Dificultad en aceptar datos de simulaciones
que no han llevado a cabo personalmente para
obtener estimaciones de la probabilidad.
• Dificultad en diferenciar la estimación de la
probabilidad que proporciona la simu­
52
lación del verdadero valor teórico de la pro­
babilidad (que sólo es accesible por cálculo en
los casos que sea posible).
Nosotros añadiríamos que la simulación y el
enfoque frecuencial a la probabilidad, aunque
proporciona una solución al problema, no nos da
la razón por la cual la solución es válida y, por
tanto, carece de valor explicativo, que sólo puede
obtenerse en el enfoque clásico y el cálculo
formal de probabilidades.
No podemos contentarnos con que el alumno
logre el paso del dominio de experiencia real al
dominio pseudo-concreto, aunque este paso
cumple una función didáctica importante y
prepara al alumno para la comprensión del
dominio formal en el que puede finalmente llevar
a cabo una actividad matemática de formalización.
Referencias bibliográficas
BATANERO, C. y SERRANO, L. (1995). "La
aleatoriedad, sus significados e implicaciones
educativas". UNO. No. 5. pp. 15-28.
BIEHLER, R. (1997). "Software for learning and
for doing statistics". En: International Statistical
Review. Vol. 65, No. 2. pp. 167-190.
CABRIA, S. (1997). Filosofía de ¡a estadística.
Valencia: Tirant lo Blanc.
COUNTINHO, C. (2001). Introduction aus
situations aléatoires des le Collège: de la modé­
lisation a la simulation d’experiences de Bernoulli
dans l'environment informatique Cabri-géométreII. Tesis Doctoral. Universidad de Grénoble.
DANTAL, B. (1997). "Les enjeux de la
modélisation en probabilité". En: Enseigner les
probabilités au lycée. Reims: Commission InterIREM. pp. 57-59.
REVISTA EDUCACIÓN Y PEDAGOGÍA VOL. XVNo. 35
ENSEÑANZA DE LAS MATEMÁTICAS
ENSEÑANZA DE LAS MATEMÁTICAS
FINE, T. L. (1973). Theories of Probabüiry: An
examination of foundations. New York: Aca­
demic Press.
FISCHBEIN (1975). The intuitive sources of
probabilistic thinking in children. Dordrecht:
Reidel.
GIRARD, J. C. (1997). "Modéüsatíon, simula­
tion et expérience aléatoire". En: Enseigner les
probabilités au lycée. Reims: Commission InterIREM. pp. 73-76.
GREEN, D. R (1983). "A Survey of probabilistic
concepts in 3.000 pupils aged 11 -16 years". In:
GREY, D. R. et al. (eds.). Proceedings of the
ICOTS1. University of Sheffield. No. 2. pp. 766­
783.
GODINO, J. D., BATANERO, C. y CAÑIZA­
RES (1987). M. J. Azar y probabilidad. Funda­
mentos didácticos y propuestas curriculares.
Madrid: Síntesis.
HEITELE, D. (1975). "An epistemological view
on fundamental stochastic ideas". In:
Educational Studies in Mathematics, 6, pp. 187 205.
HENRY, M. (1997). "Notion de modele et
modélization en l'enseignement". En: Enseig-ner
les probabilités au lycée. Reims: Commission
Inter-IREM. pp. 77-84.
MCLEAN, A. (2001). "Statistics in the catwalk.
The importance of models in training researchers
in statistics". In: BATANERO, C. (ed.). Training
Researchers in the Use of Statistics. Granada,
Spain: International Association for Statistics
Education and International Statistical Institute.
ZABELL, S. L. (1992). "Randomness and
statistical applications". En: GORDON, F. and
GORDON, S. (eds.). Statistics for the XXI
Century. The Mathematical Association of
America.
Bibliografía
BATANERO, C; SERRANO, L. y Green, D. R.
"Randomness, its meanings and implications for
teaching probability". In: International Journal of
Mathematics Education in Science and
Technology. Vol. 29, No. 1. pp. 113-123.
RECURSOS EN INTERNET PARA LA SIMU­
LACIÓN
CAST Computer Assisted Statistics Teaching:
http://www-ist.massey.ac.nz/CAST/CAST/
CASTprog/HstartFiles/startCASThtml
Elementary Statistical Java Applets and Tools:
http://www.stat.uiuc.edu/~statlOO/cuwu/
GASP: The Globally Accessible Statistical
Procedures, http: //www. stat.sc.edu/rsrch/gasp/
Java Applets for Visualization of Statistical
Concepts: http: //www.kuleuven. ac.be/ucs/j ava/
index.htm
Rice Virtual Lab in Statistics: http://www. r uf.
rice ,edu/~ lane/rvls.html
Statiscope:
http: //www. df. lth. se/~mikae lb/
statiscope/statiscope -enu. shtml.
Statistics Applet made for the WISE Project:
http://www.grad.cgs.edu/wise/appletsf. shtml.
Statistics
textbook/
UCLA:
http://www.stat.ucla.edu/
STEPS - STatistical Education through Problem
Solving:
http: //www. stats .gla. ac.uk/steps/
home.html
SticiGui: Statistical Tools for Internet and
Classroom Instruction with a Graphical User
Interface:
http://www.stat.berkeley.edu/
—
stark/SticiGui/index.htm
REVISTA EDUCACIÓN Y PEDAGOGÍA VOL. XVNo.35
53
53
LA SIMULACIÓN COMO INSTRUMENTO DE MODELIZACIÓN EN PROBABILIDAD
Virtual Laboratories in Probability and Statistics, WebStat: http://www.stat.sc.edu/webstat/
Alabama http://www.math.uah.edu/stat/
ZIELMAN, B. Statistical Page: http:// Vista The Visual Statsistical System: http:// huizen.dds.nl/~berrie/
forrest.psvch.unc.edu/research/index.html
Referencia
BATANERO, Carmen. "La simulación como instrumento de modelización en
probabilidad". En: Revista Educación y Pedagogía. Medellín: Universidad de
Antioquia, Facultad de Educación. Vol. XV, No. 35, (enero-abril), 2003. pp. 39 -54.
Original recibido: julio 2002
Aceptado: agosto 2002
Se autoriza la reproducción del artículo citando la fuente y los créditos de los autores.
54
REVISTA EDUCACIÓN Y PEDAGOGÍA VOL. XV No. 35